写一段利用支持向量机算法预测抑郁症的代码

由于抑郁症的诊断需要综合考虑患者的心理、行为、生理等多个方面，因此需要大量的数据来训练模型。以下是一个简单的支持向量机算法的代码示例，用于预测患者是否患有抑郁症。

首先，我们需要准备数据，包括患者的性别、年龄、家庭背景、教育程度、工作情况、社交情况等多个变量，以及他们是否被诊断为抑郁症。

import pandas as pd
import numpy as np
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('depression.csv')

# 将数据分为特征和标签
X = data.drop('depression', axis=1)
y = data['depression']

# 特征标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

接下来，我们使用支持向量机算法来训练模型，并对测试集进行预测。

# 定义SVM模型
svm = SVC(kernel='linear')

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

最后，我们可以使用一些评估指标来评估模型的性能，例如准确率、召回率、F1值等。

from sklearn.metrics import accuracy_score, recall_score, f1_score

# 计算准确率、召回率、F1值
accuracy = accuracy_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print('准确率：', accuracy)
print('召回率：', recall)
print('F1值：', f1)

这是一个简单的支持向量机算法的代码示例，用于预测患者是否患有抑郁症。在实际应用中，我们需要更多的数据和更复杂的模型来提高预测的准确性。